A Deep Learning Framework for Heat Demand Forecasting using Time-Frequency Representations of Decomposed Features

本文提出了一种基于连续小波变换分解特征的新型深度学习框架，通过利用时频表示增强卷积神经网络对复杂非线性模式的捕捉能力，在多个欧洲城市的数据集上将多步热需求预测的误差显著降低了 36% 至 43%，实现了高达 95% 的预测精度。

要点

这篇文章介绍了一种**“超级天气预报员”，但它预测的不是明天的天气，而是明天社区需要多少暖气**。

想象一下，城市里的供暖系统就像一个巨大的、复杂的中央厨房。这个厨房每天要煮几千锅汤（暖气），既要保证每个人都能喝到热汤，又不能煮太多浪费燃料，更不能煮少了让大家挨冻。

过去，这个厨房的厨师（供暖系统管理员）主要靠**“看昨天”**来猜明天：昨天大家喝了多少汤？昨天冷不冷？然后凭经验猜明天。但这就像看着昨天的菜单猜明天的口味，经常不准，尤其是在周末、节假日或者天气突然变脸的时候。

这篇论文提出了一种全新的“透视眼镜”技术，让厨师能看清汤里隐藏的“味道层次”，从而做出更精准的预测。

1. 核心魔法：把“时间”变成“图片”

传统的预测方法就像是在听一段录音（时间序列数据），试图从声音里找规律。但这篇论文的作者说：“别光听，我们要看！”

他们使用了一种叫**“连续小波变换”（Continuous Wavelet Transform）**的数学魔法。

• 比喻：想象你有一首复杂的交响乐（供暖需求数据）。传统的听法只能听到“现在是什么音符”。但用了这个魔法后，这首曲子被变成了一张乐谱图片。
• 在这张图片上，横轴是时间，纵轴是节奏的快慢（频率）。
• 这样，AI 就能一眼看出：什么时候是“激昂的鼓点”（早高峰用热），什么时候是“舒缓的弦乐”（深夜低负荷），甚至能看出哪些节奏是天气引起的，哪些是节假日引起的。

2. 拆解食材：把“大杂烩”变成“纯料”

供暖需求很乱，有时候是因为天气冷，有时候是因为周末大家在家，有时候是因为传感器坏了。

• 比喻：这就好比一锅炖了很久的杂烩汤。
• 作者的方法是把这锅汤拆解成三个部分：
  1. 趋势（Trend）：汤底的基本味道（比如随着冬天变冷，整体需求慢慢上升）。
  2. 季节（Seasonal）：固定的调味节奏（比如每天早上 8 点和晚上 6 点大家都会加盐）。
  3. 残留（Residual）：那些突发的、不规则的“意外”（比如突然有人开派对，或者传感器出故障）。

AI 分别学习这三部分，就像让厨师分别研究汤底、调味和意外情况，最后再完美地拼回去。这样，AI 就不会被突发的“意外”搞晕了。

3. 特别关注：周末和节日的“变奏曲”

普通的预测模型最怕**“变奏”**。比如平时周一到周五大家按时上班，但到了圣诞节，大家都不上班了，用热模式完全变了。

• 比喻：就像平时乐队按谱子演奏，突然指挥说“今天改唱爵士乐”。
• 这篇论文发现，单纯告诉 AI“今天是圣诞节”还不够。他们教 AI 去**“回忆”**去年圣诞节大家是怎么用热的（比如去年圣诞节的周二，大家用了多少热），而不是只看普通的周二。
• 结果：在圣诞节这种特殊日子，新模型的预测准确率大大提升，不再像以前那样“懵圈”。

4. 战绩：比“老前辈”强太多

为了证明这个新方法厉害，作者找来了很多“竞争对手”进行比赛：

• 老派选手：像 SARIMAX（统计学家）、XGBoost（机器学习老手）。
• 新派网红：像 Transformer（最近很火的 AI 架构，像大语言模型那种）、TimeMixer（最新的深度学习模型）。
• 我们的主角：这个“小波变换 + 卷积神经网络”的新模型。

比赛结果：
在丹麦和德国的真实供暖数据上，新模型完胜。

• 它的预测误差比最强的对手（TimeMixer）低了 36% 到 43%。
• 通俗理解：如果以前预测明天需要 100 度热，误差可能是 10 度；现在预测 100 度，误差只有 5 度甚至更少。
• 特别是在天气突变或需求剧烈波动的时候，旧模型经常“跑偏”，而新模型能紧紧咬住真实需求，像猎豹一样精准。

5. 这对我们意味着什么？

这个技术不仅仅是为了“算得准”，它有更实际的好处：

1. 省钱：少烧一点多余的燃料，省下的钱可以买更多好吃的。
2. 环保：少烧燃料就意味着少排二氧化碳，对地球更友好。
3. 安全：因为预测准了，供暖公司可以把水温稍微调低一点（减少管道散热损失），而不用担心大家冻着。
4. 更聪明：这个模型不需要超级计算机，它很轻量级，意味着未来的小城市甚至小社区都能用得起这种“超级大脑”。

总结

这篇论文就像给供暖系统装上了一副**“透视眼”和“记忆库”**。它不再只是死板地看昨天的数据，而是把数据拆解、重组，看清了时间、天气和节日背后的深层规律。

一句话概括：以前是“猜明天”，现在是“看透明天”，让供暖系统变得更聪明、更省钱、更环保。

技术摘要

论文技术总结：基于分解特征时频表示的深度学习区域供热需求预测框架

1. 研究背景与问题定义 (Problem)

区域供热系统（District Heating Systems, DHS）是可持续能源基础设施的核心，其高效运行依赖于对热需求的精准预测，以便优化多种能源（如生物质、天然气、电力、太阳能）的调度，降低碳排放并延长基础设施寿命。然而，现有的热需求预测面临以下挑战：

• 非线性与复杂性：热需求受消费者行为、天气波动及日历效应影响，表现出高度非线性和非平稳性。
• 现有方法的局限性：
  • 传统统计模型（如 SARIMAX）难以捕捉复杂的非线性关系。
  • 现有的深度学习模型（如 LSTM、Transformer 变体）往往在长序列建模中存在梯度消失问题，或难以捕捉高频波动。
  • 许多研究仅在短期数据集或同质化用户群体上进行评估，缺乏跨季节、跨年份的鲁棒性验证。
  • 特征工程缺乏系统性，特别是对于时间序列分解（趋势、季节性、残差）与时频表示（如小波变换）的结合应用不足。

核心目标：提出一种新颖的深度学习框架，利用时频表示（Time-Frequency Representations）和特征分解技术，实现高精度的 24 小时 ahead 逐小时热需求预测。

2. 方法论 (Methodology)

2.1 数据预处理与特征工程

• 数据源：使用了来自丹麦 Brønderslev 的三个区域计量区（DMA A, B, C）的 4 年（2016-2019）小时级数据，以及德国 Flensburg 和丹麦 Aalborg 的公开数据集。
• 异常值处理：针对季节性异常值（冬季偏差大）和物理上不可能的负值，采用 Savitzky-Golay 平滑处理学生化残差，并结合 Bonferroni 校正进行替换。
• 特征分解：
  • 对热需求（内生变量）和关键气象特征（如温度、露点）进行加法季节性分解，提取趋势（Trend）、**季节性（Seasonal）和残差（Residual）**分量。
  • 发现：热需求与气温的长期趋势分量具有极强的负相关性（$\rho \approx -0.97$），而季节性分量相关性较弱。因此，模型输入中保留了需求的完整分解分量，但气象特征仅保留趋势和残差分量（去除季节性，避免冗余）。
• 时频转换（核心创新）：
  • 利用连续小波变换（Continuous Wavelet Transform, CWT）将一维时间序列（历史消耗、天气、时间特征）转换为二维小波尺度图（Scalograms）。
  • 这种转换将时间域信号映射为“时间 - 频率”图像，能够同时捕捉局部时间特征和周期性模式。
  • 输入张量维度为 $M \times N_{history} \times N_{features}$（例如 $24 \times 24 \times N$），其中 $M$ 为尺度数量，$N_{history}$ 为历史时间步。

2.2 模型架构：Wavelet-CNN

• 网络结构：采用基于卷积神经网络（CNN）的架构，专门设计用于处理图像化的小波尺度图。
  • 卷积块：包含 3 层 2D 卷积层（滤波器数量分别为 32, 64, 128），使用 $3 \times 3$ 核，步长为 1，Same 填充。
  • 无池化设计：为了保留时间 - 频率的相位信息（Phase Coherence），去除了池化层（Pooling），防止丢失精确的时间定位信息，这对于预测早晚高峰的精确时刻至关重要。
  • 全连接层：展平后的特征向量通过两个 1024 神经元的全连接层（Leaky ReLU 激活），最后输出 24 小时的预测值。
  • 正则化：使用 Dropout (0.1) 防止过拟合。
• 训练策略：使用 Adam 优化器，MSE 损失函数，早停机制（Early Stopping）。

2.3 实验设置

• 基准对比：与统计模型（SARIMAX）、机器学习模型（XGBoost）、经典深度学习（LSTM）、先进 Transformer 架构（Informer, Autoformer, PatchTST, TimesNet）、混合模型（DLinear, TimeMixer）以及基础模型（TTM, Chronos-2）进行了全面对比。
• 评估指标：平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方误差（MSE）。
• 验证方式：包含滚动时间块验证（Longitudinal Stability），模拟真实场景下的逐年重训。

3. 关键贡献 (Key Contributions)

1. 新颖的时频深度学习框架：首次系统性地将 CWT 生成的二维尺度图作为 CNN 输入用于区域供热预测，成功将一维时间序列问题转化为图像识别问题，有效捕捉了传统时域模型难以学习的高频波动和周期性模式。
2. 系统性的特征分解与评估：
   • 证明了特征分解能显著降低预测误差（相比原始特征，MAE 降低约 12%）。
   • 揭示了环境特征的最佳组合：环境气温（$T_{amb}$）是单一最强特征，但结合分解后的多温度特征（如 $T_{max}, T_{feels}$）能进一步提升性能。
   • 发现显式时间编码（如正弦 - 余弦编码的星期几）在基于尺度图的模型中反而引入噪声，导致性能下降，模型能从信号动力学中自动学习时间上下文。
   • 针对节假日提出了动态滞后替换策略（用去年同节假日数据替换当前滞后特征），显著降低了节假日预测误差。
3. 全面的基准测试与鲁棒性验证：
   • 在三个不同的丹麦区域和两个公开数据集（德国 Flensburg、丹麦 Aalborg）上进行了验证。
   • 验证了模型在长达 7 年（Flensburg 数据）的时间跨度上的稳定性，证明了其工程级部署的可行性。

4. 实验结果 (Results)

• 性能提升：
  • 提出的模型在所有测试区域均取得了State-of-the-Art (SOTA) 性能。
  • 与表现最好的基准模型（TimeMixer）相比，MAE 降低了 36% 至 43%。
  • 具体数据（DMA A）：Proposed MAE = 99.76 kWh vs TimeMixer = 173.63 kWh。
  • 预测准确率在年度测试集中高达 95%。
• 对比分析：
  • 简单的 MLP 架构（如 DLinear, TimeMixer）表现优于复杂的 Transformer 架构（如 Informer, Autoformer），后者在捕捉高频波动时表现不佳。
  • 基础模型（Foundation Models）如 Chronos-2 和 TTM 虽然具有潜力，但在特定高频领域尚未超越针对该任务优化的专用架构。
• 定性分析：
  • 模型在波动剧烈的时期（如周末转换、突发天气变化）表现出极强的鲁棒性，能够准确捕捉需求峰值的相位和幅度，而基准模型往往出现平滑效应或相位滞后。
  • 在极端异常值（如传感器故障导致的断崖式下跌）情况下，模型倾向于预测正常负荷，这在工程控制中是更安全的策略（避免供热不足）。

5. 意义与影响 (Significance)

• 工程应用价值：该框架为区域供热系统的智能控制提供了高精度工具。通过减少预测不确定性，运营商可以安全地降低供水温度安全裕度，从而减少管网热损失，促进可再生能源的整合，并优化锅炉和热泵的调度。
• 方法论启示：
  • 证明了在特定时间序列任务中，**“小波变换 + CNN"**的组合比庞大的 Transformer 架构更高效、更精准。
  • 强调了特征分解和时频表示在处理非平稳、非线性时间序列中的重要性，为能源领域的预测研究提供了新的范式。
• 未来方向：研究指出了在预测罕见非重复事件（如特殊节日、突发事故）方面的挑战，建议未来结合记忆增强网络或少样本学习，并引入更细粒度的外部数据（如学校日程、市政活动）以进一步提升模型的情境感知能力。

总结：该论文提出了一种基于小波变换和特征分解的深度学习框架，通过创新的时频图像化输入和针对性的 CNN 架构，显著解决了区域供热需求预测中的非线性、非平稳及多尺度依赖问题，在多个真实世界数据集上实现了超越现有最先进方法的预测精度和鲁棒性。